chanyue123的博客

讲解使用flink table api读写kafka 以及相关配置

讲解flink的类加载的分类、顺序以及如何解决冲突等

遇到could not be determined automatically, due to type erasure的原因分析和解决办法

讲解flink重分区的方式

讲解如何合理设置并行度

讲解读取kafka数据却无法触发下游窗口计算的原因分析以及解决办法 窗口触发的过程等

讲解flink读写kafka的使用，相关的重要配置说明，以及并行度的合理设置，并行度对watermark的影响等

实现flink 数据源 source

讲解如何在flink的流和批处理模式之间做出选择

讲解使用 Flink DataStream API 开发的大体流程

Flink的日志配置详解

讲解 flink的历史服务器 如何查看历史作业信息

flink程序实现高可用配置

本文讲解flink在细粒度的资源管理，默认是粗粒度的资源管理（coarse-grained resource management）

本文讲解 flink checkpoint页面的详细信息

本文讲解 编写的flink应用程序在生产环境上线前应该做哪些检查

讲解如何升级flink程序和flink框架版本

讲解flink打包时 依赖相关配置

flink on yarn如何确定taskmanager个数

通过启用缓冲区去膨胀机制，可以简化Flink中网络的内存配置调优。您可能需要对其进行调优。如果这不起作用，你可以禁用缓冲区去膨胀机制，并手动配置内存段大小和缓冲区数量。使用最大吞吐量的默认值减小内存段大小和/或减少独占缓冲区数量，以加快检查点操作速度并降低网络堆栈的内存消耗。

本节解释如何根据用例设置内存，以及每种用例中哪些选项是重要的。

JobManager是Flink集群的控制元素。Flink由3部分组成：资源管理器（Resource Manager）、调度器（Dispatcher）和每个运行的Flink作业对应的JobMaster。注意下面的讲解适用于JobManager 1.11之后的版本。

TaskManager在Flink中运行用户代码。根据需要配置内存使用，可以极大地减少Flink的资源占用，提高作业的稳定性。注意下面的讲解适用于TaskManager 1.10之后的版本。与JobManager进程的内存模型相比，TaskManager内存组件具有类似但更复杂的结构。

Apache Flink通过严格控制各个组件的内存使用，在JVM之上提供了高效的工作负载。虽然Flink社区努力为所有配置提供合理的默认值，但由于用户部署在Flink上的应用范围很广，这并不总是可行的。为了给用户提供最大的生产价值，Flink支持对集群内的内存分配进行高层和细粒度的调优。下面进一步描述的内存配置适用于1.10版本之后的TaskManager进程和1.11版本之后的JobManager进程。

flink 外部参数传递

flink反压过程介绍

flink csv

flink sql join类型讲解

Flink sql解析复杂json

flink watermark详解

讲解flink sql-client.sql的关键点以及不足

flink task subtask slot相关概念解释

讲解flink中时间的分类，以及时间在水位线、窗口计算中的应用

讲解flink的state的分类以及如何使用

讲解flink 上生产的一些建议配置项

讲解实现CheckpointedFunction的关键点

rich function，即“富”函数，即相比一般的function来说，他提供了更多的功能。它定义了函数生命周期的一些方法，并可以获取函数运行时的上下文。

讲解flink的checkpoints的相关配置及建议值

讲解flink的并行度的理解

讲解flink的重启策略